【《暴力伤医事件网络舆情情感分析及舆情引导策略-以某事件为例》23000字】

暴力伤医事件网络舆情情感分析及舆情引导策略—以某事件为例摘要互联网作为人们交流彼此的想法和观念的重要场所，不断影响着人类传播信息的方法，早已不是单单作为传播工具，互联网已经成为人类交流观点、碰撞思想、融汇文化的大平台。当突发事件在互联网平台发酵之后，在不同观点的冲突碰撞和观念的表达下，网民很容易在舆论漩涡中产生极端化想法，一旦这种讨论状态持续发酵没有正确的引导，会酿成十分严重的后果。本文选取了“暴力伤医——陶勇医生被砍”事件进行分析，以网友的微博内容作为采集样本，用八爪鱼采集器收集数据并进行清洗，利用最终数据进行研究分析。同时，构建情感词典，标记情感分数值，本文还运用了关键词分析、情感分析、微博用户的地域、性别对比分析等手段对暴力伤医事件代表事件分析舆情演化的特征规律，并且在此基础上划分了该事件的舆情情感演变阶段。最后根据分析结果对相关部门提出了对突发暴力伤医事件的舆情处理建议。关键词:暴力伤医事件；舆情分析；情感特征目录1. 序言 31.1研究背景与研究意义 31.1.1研究背景 31.1.2研究意义 31.2国内外研究现状 41.2.1国外研究现状 41.2.2国内研究现状 52. 概念界定和理论基础 62.1突发事件网络舆情的相关理论 62.1.1突发事件 62.1.2网络舆情 62.1.3突发事件网络舆情 62.2情感分析理论 72.2.1情感定义 72.2.2情感分析定义 72.3信息处理相关理论与技术 82.3.1文本挖掘与处理技术 82.3.2生命周期理论 83暴力伤医事件网络舆情情感分析 93.1构建情感词典 93.2情感强度计算 93.3数据获取方法和工具 103.3.1案例选取 103.3.2网络爬虫 113.4数据处理 123.4.1数据清洗 123.4.2中文分词 123.4.3去除停用词 123.4.4基于TF-IDF算法的关键词分析 133.5暴力伤医事件情感倾向 133.6情感分析 154.“暴力伤医——陶勇医生被砍”事件传播过程及演化阶段分析 164.1“暴力伤医——陶勇医生被砍”事件传播过程分析 164.2“暴力伤医——陶勇医生被砍”用户情绪特征分析 184.2.1基于性别的用户情感特征分析 195医暴事件网络舆情引导策略 205.1相关部门处理过程中存在的问题 205.2基于情绪演化阶段特征的微博用户情绪引导对策 216.总结与展望 216.1研究结论 216.2研究局限与展望 22序言1.1研究背景与研究意义1.1.1研究背景近年来的网络和信息技术正在高速发展中，“两微终端”(新浪微博、腾讯微信、手机移动客户端)已成为千千万万户的热门。据《中国互联网发展统计报告》发布的《第47次中国互联网发展统计报告》显示，截至2020年12月，中国网民人数已达9.89亿，互联网普及率70.4%，同比增长5.9%。其中，中国移动互联网用户已达9.86亿。与2020年3月相比，网民使用手机的人数达到99.7%，比2020年3月的增长了0.4个百分点[1]。互联网是高度自由和包容的。网民可以通过文字、视频、音频等方式在社交媒体平台上自由表达自己的主观观点和情感。面对暴力伤医，由于涉及到人们的生命安全，一旦通过网络发布并被大量网民转发，就很容易成为网络热点事件。2020年1月20日下午1时55分左右，北京朝阳医院发生暴力伤医事件，共有三名医护人员被砍伤，另有一位患者受伤，受害者陶勇伤情最重，是一名眼科医生。事发当天，还有1532名已经预约的病人等待他的诊治。施暴者是他的一位病人，辗转多方求医无果后最终被陶勇救治，陶勇被伤至左手骨折、神经肌肉血管断裂、颅脑外伤、枕骨骨折，两周后才得以脱离生命危险。该事件一经在新浪微博平台上曝光，立即引起了公众的广泛关注和讨论，并被大量转发和评论。网民们情绪激烈，严厉谴责那些暴力伤害医生的人,这些评论充满了负面能量,该事件在互联网上引发了一场舆论海啸，负面情绪高涨，一致谴责行凶者的暴力行径，甚至对于医生安全、医患关系等话题也引起了社会各界的广泛关注。比如，“疫情揭发者李文亮医生死于新冠肺炎”该消息在微博上曝光后，短时间内就被大量评论转发，引起全国关注，成为热门话题。“乐清女孩被滴滴顺风车撞死”事件引发了网友们对女性外出时的人身安全的讨论。长春长生生物科技有限公司“疫苗造假”事件，不仅引发了公众的恐慌，也引起了民众的恐慌对医疗保健领域的怀疑和不满。近年来，像豆瓣、微博等社交平台慢慢成为主要舆论场。在这样的舆论情况下，网友的情绪表达时刻影响着舆论动向，舆论动向又指向了民意。此外，网络公民在舆情的每个发展阶段的感受都有不同的层面，舆论主体呈现了理性和感性同时存在的特点，这让政府和相关部门在监测和引导舆情时变得困难。尤其是网民极易在突发事件舆论的刺激下，产生焦虑，恐慌，恐惧和失落感，继而导致人们对突发事件的看法和判断发生变化，最终形成不同的舆论趋势。例如焦虑和气愤等负面情绪不但会在网络上带动更多的网民产生消极态度，还会使公众舆论通过情绪感染的机制在网上传播，最终导致社会动荡不安。例如，在微博上有“疫情揭发者李文亮医生死于新冠肺炎”的消息曝光后，在短时间内被大量评论转发，聚集了全国人们的关注，立刻成为了热门话题。“乐清女孩被滴滴顺风车撞死”引发了网民关于妇女外出时人身安全的讨论。长春长生生物技术有限公司的“疫苗造假”事件不仅引起了公众恐慌，更是引发了群众对医疗保健领域的恐慌，猜疑和不满。因此，通过分析网络紧急舆情中网民的情感倾向，找到舆论的演变规律，并向政府机构和有关部门提供科学合理的建议，以指导舆论，是十分重要的。本文以“暴力伤医——陶勇医生被砍”事件为例，收集与事件相关的新浪微博数据，分析收集到的文本材料。为了提高舆论监督效果和给维护社会舆论平稳状态在又数据支持的基础上提供有效建议，深入研究微博用户特征，判断情绪趋势，找到舆论发展的规律、并在第一时间对舆论进行监测和引导。1.1.2研究意义暴力伤医具有破坏性大，影响广泛，难以预估的特点，由于它与人们的生活息息相关，所以只要在网络上曝光传播开，将在短时间内产生很大的影响，形成巨大的舆论漩涡，并迅速发展不断扩大成为互联网热点事件。公众在面对此类事件时，也会在一定程度产生慌张不安等情绪，甚至这种情绪会被不怀好意的人加以利用，继而成为影响社会安定的因素之一。因此，分析网民对于暴力伤医的情感特征，并针对这些特征制定舆情引导措施是十分有实际意义的。（1）理论意义:当前，关于社会安全事件的学术研究大多集中在舆论的管理和演化机制上，从网络舆情的情感特征角度分析暴力伤医的研究却很少。本文从微博舆情的特征出发，对“暴力伤医——陶勇医生被砍”事件进行了情感特征分析和可视化分析，在此基础上对突发暴力伤医事件进行了探讨、分析。在分析过程中，从微博舆情的情感演变特征，用户数据，微博舆情传播过程三个不同角度对暴力伤医事件进行展开分析。最后，利用网络爬虫技术，文本挖掘技术和数据分析技术在一定程度上完善了情感分析技术，对结果进行可视化分析，这具有重要的理论意义。（2）实际意义:暴力伤医事件是相对随机且不可预测的，具有广泛的传播力和影响力，如果不认真对待，会造成更大的社会伤害。本研究选择了近期发生的有影响力的典型案例进行分析，并从多个维度对事件进行了综合分析，以探索暴力伤医类事件的情感特征，进一步帮助相关政府部门提高其领导舆论的能力，加强行业监管并完善相关条例来保护医生和患者双方权益。1.2国内外研究现状1.2.1国外研究现状（一）网络舆情研究现状由于政治背景和西方存在根本性的差异，“舆情”其实是一种中国化的概念[2]，西方国家相对应领域应用的是比如“公共舆论”、“民意”等概念。与同一领域的我国研究相对比，西方发达国家以前的舆论研究活动和成果很多，主要集中在网络上舆论的演变规律，影响舆论的因素和舆论形态交流上。最早是卢梭在1762年撰写的《社会契约论》中提出“公共舆论”(PublicOpinion)概念。ElisabethNoelleNeumann(1993)[3]提出“沉默螺旋定理”认为在网络舆情的演化过程中，公共舆论最终会将形成基于一方的沉默因此以对立的另一方所持的观点为主的舆论趋势。BrauchlerBirgit(2004)[4]首次将对立理论引入舆情中，提出网络中产生冲突的对立双方容易产生网络舆情。Chong·D（2005）[5]提出突发事件网络舆情的演化过程是动态的，舆情发展到达顶点后会逐渐消退。SudhaVerma（2011）[6]等提出基于机器学习方法，想了解网民对网络热点事件的态度，可以根据出现在网络用户发言的关键字中的高权重词来判断。（二）网络舆情演化研究现状国内外对网络舆论演变的研究有不同的侧重点：西方国家重视分析舆论演变的实用技术，而国内偏见则主要基于研究理论。美国危机专家StevenFink[7]早在十九世纪八十年代提出危机消散期、扩散器期、爆发期和潜伏期四阶段分析理论，BurkholdeBT[8]提出以人口死亡率为指标构建的紧急阶段（Acuteemergencyphase）、晚期紧急阶段（Lateemergencyphase）、事发后紧急阶段（Post-emergencyphase）三阶段经典传播模型；RobertH[9]等人在此基础上提出的四阶段传播模型以及FinkS[10]等人提出的生命周期模型。（三）情感分析研究现状情感分析是指人们通过客观存在的事物、产品，已经发生的事件等表达自己的观点和态度的过程。情感分析作为国外重要的研究领域引起了西方学者的广泛关注，主要利用与情感倾向相关的关键词进行情感判断。该研究的主要成果是情感极性的分析，情感的识别等。最早的情感分析研究工作就是2002年Pang[11]首次提出利用朴素贝叶斯等三种机器学习方法针对电影评论样本进行的情感分类，判断电影评论文本的正负情感。DavidB.Bracewell[12]等以WordNet为基础通过半自动算法以种子词创建情感词典进行情感分析。Go[13]等人为了得到较高的准确率，使用机器学习方法对添加到集合中的表情的文字本数据先进行了预处理。HassanA[14]等人提出将卷积神经网络(CNN)应用到文本数据中，获取句子序列中的依赖关系。Boiy和Moens[15]采用最大熵马尔科夫模型、支持向量机（SVM）、朴素贝叶斯三种机器学习方法对文本数据进行人工情感标注，最后得出结论支持向量机的准确率最高。Dey[16]等基于K-NN算法对社交媒体上用户的评价进行情感分析，LiY[17]构建一个以知网情感词表、大连理工情感词表和文本相结合的多类别情感词典，通过KNN算法将中文文本分类5类情感。1.2.2国内研究现状（一）网络舆情研究现状国内的网络舆情研究比国外开始的要慢一些，刘毅[18]在其著作《网络舆情研究概论》中提出网络舆论的涵义是指随着社会的进步和互联网的发展，个人和群体使用声音，图像，文本，视频和其他表达形式作为载体来表达自己的情感，态度或观念意见等。针对某个事件，某种观点的观点等，各种观点、情感和意见的汇聚形成的总和，构成了网络的舆论体系，这个体系具有六个特点。在国内研究中，一些学者还从不同角度进行了各种关于网络舆情定义的讨论和研究。陶建杰[19]从趋势的角度出发，他认为互联网舆论是紧急事件中公众的一种倾向性表达。蒋乐进[20]提出公众通过网络在公共社交平台发布的帖子、在网站对新闻的点评、对其他网民的回复等在互相交流过程中逐步形成舆论，以沉默螺旋定理为基础指出此时公众发声的观点具有相似性。周如俊[21]提出互联网舆论本质上是指舆论领袖和对互联网有一定影响力的KOL主动表达对事件的看法。陈波[22]在泛在媒体的背景下，以外部舆论场影响率为指标，改进传统的传染病模型构建SEIR传播控制模型，提出网络舆论在不断发展发酵时有自我净化的能力。伍盈[23]等人提出在网络舆论传播过程中，舆论具有互动性，合理性和感知性共存的特点，对舆情的实时监控和提前预警有了更高标准的要求。李弼程[24]等人建立了一个网络舆情监测模型，以实施网络舆情监测，包括数据收集，舆情预警，风险评估等。（二）网络舆情演化研究现状目前，关于国内网络舆情演化的研究主要是通过网络舆情的演化过程和规律来进行的。由于不同学者的研究视角不同，划分突发事件生命周期阶段的方法并不具有确定性，并且存在多种划分模式，例如四阶段，六阶段和八阶段等。Fink[25]提出了经典的四阶段生命周期模式：潜伏期、爆发期、蔓延期和恢复期来划分突发事件的传播；贾亚敏等[26]构建了城市突发事件网络舆情传播的生命周期模型，并将其划分为起始阶段、爆发阶段、衰退阶段及平息阶段，其研究反应了各个阶段的量化特征；廖海涵等[27]将微博舆情传播周期划分为萌芽期、成长期、衰退期以及平稳期；李纲等[28]将网络舆情的发展演化过程分为潜伏、成长、蔓延、爆发、衰退和死亡六个阶段；吴晓娟[29]依据目标话题传播趋势的多峰特征，将舆情演化周期划分成八个阶段。网络舆论在不同时间，空间和背景下的演变有不同的规律和特征，张玉亮[30]提出紧急情况下舆论的演变本质上是舆论主体的博弈，建议通过分析政府，涉事相关方，媒体和第三方网民的利益牵扯来引导舆论；强韶华[31]以人群仿真理论为基础，针对网民、舆情信息、政府之间的关系构建Agent仿真模型，深入挖掘舆情演化规律探讨意见领袖和政府对舆情发展的作用。柳军[32]提出从舆情微内容的角度，分析舆情演化具有“马太效应”和“群体极化”的特点。钱颖[33]基于SIR模型建立了舆情传播模型，认为舆情演化与时间成正相关关系。情感分析（sentimentanalysis），又称倾向性分析，是指对于用户意见、情绪以及情感的计算研究。目前，中国的文本情感分析主要有两种类型：一种是无监督的文本情感分析，主要利用情感词的相关内容来判断文本的情感趋势；另一类是有监督的文本情感分析，使用监督学习算法（例如朴素贝叶斯和支持向量机等）进行情感分类。刘勇华[34]将中文文本情感利用朴素贝叶斯分类器极性分为正面、负面和中性三个方面。目前最常用的是最大熵分类、朴素贝叶斯分类器以及支持向量机三种方法进行情感分析的研究，但是研究发现三种模式都存在一定的缺陷。因此刘春雨等人[35]将支持向量机NPSVM和TWSVM进行融合研究，研究结果表明他的运行精确度比SVM高1%~4%，且运行速度和范围也得到了进一步的提升。对于情感分析技术，我国相较于其他国家的研究来说起步晚一些，但是也产生了很多杰出的研究成果。在情感词典的构建方面，大连理工大学的徐琳宏等人[36]采取了自动获取和人工分类的方式构建了情感词典。王勇等[37]对微博文本进行搜集分类，构建了中文微博极性情感词典。在情感分析的技术方面，FeiWang等[38]基于最大熵分类方法已解决情感词典中词语无法在不同语句中表达不同的情感强度和倾向的问题。Yang等[39]建立了最大熵模型的情绪分析系统。概念界定和理论基础2.1突发事件网络舆情的相关理论2.1.1突发事件突发事件是突然发生的，需要立即采取应急措施的事件，例如自然灾害、社会保障、公共卫生以及事故灾害等可能对社会造成或造成严重危害的事。根据事故可能造成的损害程度深浅、影响的范围、传播速度、生命财产等损失情况，紧急事件可分为从低到高四个等级：一般、较大、重大和特别重大，级别记作Ⅳ级、Ⅲ级、Ⅱ级和Ⅰ级，颜色标注分别为蓝、黄、橙和红色。突发事件具有目的性强、突发性强、聚集性强、破坏性强、状态不平衡性强的特点。2.1.2网络舆情网络舆情是指在给定的社交空间中，以互联网为载体的，围绕社交事件，在事件演变过程中情感演变，网络舆情是指公众的情感和态度、见解和表达方式、交流与互动及其影响力的集合。表达形式主要基于微博，新闻，博客，论坛等上与事件相关的公众转发、评论、点赞和新闻发布。表现的特点主要体现在公开表达的直接性、多样性、隐秘性和随意性上。在这个阶段，网络舆论对社会稳定和生活秩序的影响越来越大，对社会的监督作用也越来越大。如何正确地引导和解决网络舆论的发展是非常重要的，解决不当就将导致公众的不满和过激行为，这很容易构成社会威胁并影响范围广泛。与网络舆论相比，传统舆论主要存在于民间，在人与人之间的日常街头讨论中，很难获得记录，可获得的舆论样本量小，效率低，误差大，成本高。随着互联网的发展，公众更倾向于通过网络表达对事物的想法，观点和见解，网络舆情的捕捉方法和各种抓取方式都有了的创新和发展，在此基础上，网络舆情捕获技术攻克了传统舆论管理的缺点，实现了捕捉高效、信息保真度高、覆盖面广的特点，在很大程度上有助于有关部门实施对舆论方便快捷的追踪和管理。2.1.3突发事件网络舆情突发事件网络舆情是一种网络舆论管理，特指在紧急情况发生后，公众可以使用微博，微信，门户网站和新闻平台等各种自媒体平台进行信息公开发表和表达想法和意见，他的主要内容通常涉及到了紧急情况的背后真相、事件原因、事件发展过程，相关部门的解决方式、方法和结果，以及由此产生的相关制度和道德问题。结合突发事件与网络舆情的概念及特点分析，总结出突发事件网络舆情的特征[40]主要包含以下几点：（1）事件引发的偶然性与隐蔽性。突发事件通常是由社会发展长期形成中的特定诱因引起的，事件的偶发性和隐秘性让突发事件的发生形式，演变趋势和演变情况以及将造成的影响的范围大小和程度都是无法预测。（2）事件传播的目的性与聚众性。舆情，是由人的举动、思想和观点形成，因此人类的行为目的就影响着舆论的演变过程，例如个人的、社会的、公众的，尤其是事件的直接关系人的渴望和需要等都能成为突发事件的传播目的，这些目的也带有不同的方向，有正面、负面的，积极、消极的。受到事件影响自身相关利益的会对其保持持续的关注和传播范围，这就扩大了事件的影响范围。（3）参与主体的随意性与多元性。突发事件引发的行为、观点和看法会受到参与讨论的主体不同教育背景、社会地位、成长环境等因素影响，且这些言论的表达由于网络的虚拟性，会体现出更大的随意性，言论的约束力较小，人们可以畅所欲言，体现了参与主体的多元与随意性。2.2情感分析理论2.2.1情感定义情感，属于心理学范畴用词，是态度表达的组成部分，主要包括道德情感和价值情感两部分，表达的对象分为对事物、他人、自我和特殊事物四个方面的情感，层次需求表现在温饱需求、社会需求、自我实现三个阶段。《心理学大辞典》[41]中认为“情感是人对客观事物是否满足自己的需要而产生的态度体验”，而实际上，情感表达不仅是人的喜、怒、哀、乐等情绪的表达，而是人的感官上、机体中、心理和精神上的一种感受。舆情是公众情感表达的集合，它是公众由于特定事物产生的心理及行为上的影响，所产生的诸如行为、言语、文字及表情类的表达，客观上，它是公众对于特定事物的生理反应，主观上，它也是一种个体的体验与感受，总的说来，是一种社会性的表达2.2.2情感分析定义情感分析，又名意见挖掘或倾向性分析，指对公众在互联网上发表的带有感情色彩的主观性评论进行文本挖掘、数据处理、演化分析的过程，此类主观性评论信息是公众对突发事件的观点和看法，其中蕴含了公众的情感色彩及倾向性，主要包含积极（正面）情感词、中性情感词和消极（负面）情感词三类，诸如“出众”、“幽默”、“称赞”、“高尚”、“欣喜”等为表达积极情感的文本，“指引”、“结果”、“只字不提”、“稍安毋躁”等为表达中性立场的文本，“厌恶”、“鄙视”、“狡猾”、“奸商”、“潜逃”等为表达消极情感的文本。通常来讲，我们做情感分析是为了找出公众针对某类话题的观点态度，以便相关部门较好的引导和管理网络舆情，维护网络秩序及社会安定。根据文本处理的粒度差异，可将情感分析分为三个层级：词汇、句子和文章。词汇层级的情感分析是句子和文章层级分析的基础，其研究常用的分析方法主要分为基于词典、网络、语料库三类，本文主要运用的是第一种，基于情感词典的倾向性分析。句子层级的情感分析与词语密不可分，要通过对词语所表达的情感分析构成的句子，主要采用基于知识库、语料库两种分析方法。文章层级的情感分析主要是分析把控、确定文章整体的情感方向（正向、中立或负向）和极性（积极、中性、消极），通过构建的情感词典，分析整体的情感倾向性、类别和强度进行情感表达判断。情感分析主要分为以下几个步骤：第一，构建情感词典语料数据库或语料库；第二，进行文本挖掘、对比分析，判断情感属性；第三，借助特定的算法进行关键词分析；第四，进行情感强度分析，判断情感倾向性。2.3信息处理相关理论与技术2.3.1文本挖掘与处理技术文本挖掘属于数据挖掘中的一类，是对文本数据进行的挖掘分析，以便从中获取有价值的知识或者信息。进行文本挖掘，最重要的是对文本进行分类、聚类分析。文本分类，针对大批量的数据文本，依据一定的规则及训练方法进行分类，主要用于新闻、区域、文档等类型的文本分类。文本聚类，可实现对大规模数据的自动分析，提取热点事件，实现对事件主体特征的关键性描述。文本挖掘处理的技术包含多种，诸如文本语义分析、机器学习、朴素贝叶斯分类、数据挖掘技术、关键词分析、信息检索和抽取、数据可视化、模式识别分析等等都是常用的文本挖掘技术。文本挖掘主要通过以下几个步骤实现文本的分析：①获取文本，通过爬虫等技术获取Html形式的网络文本数据，抓取关键信息；②文本预处理，筛选处理获取的文本数据，剔除不相关、冗余的数据条，或者当数据量过大时也可直接选取一部分数据进行分析；③文本处理，对文本数据进行语言分析，依次进行分词、词性标注、去除停用词；④特征提取，通过分析获取文本的相对重要性，主要采用映射、原始特征分析、专家分析、数学提取等方法实现文本的特征提取；⑤文本的分类聚类，实现文本数据集到矩阵的转化；⑥数据可视化，通过词云等可视化方法将数据结构进行展示，帮助进行更好的图11体制、道德等等方面的问题。结合突发事件与网络舆情的概念及特点分析，总结出突发事件网络舆情的特征主要包含以下几点：（1）事件引发的偶然性与隐蔽性。突发事件一般是由于社会发展长期形成过程中，由特定的诱因引发发酵而来，其发生的偶然、隐蔽使得突发事件的具体发生形式，发展演变的态势、即将造成影响的范围及程度都是无法预料的。（2）事件传播的目的性与聚众性。舆情顾名思义，由人的行为、想法和观点形成，那么其演变的过程中就存在着人的间接或直接的行为目的，如个人的、社会的、公众的，尤其是事件的直接关系人，其欲望和需求等都能成为突发事件的传播目的，这些目的有正面、负面的，积极、消极的。因事件的发生而受到相关利益影响的会对其保持不同程度的关注和传播行为，这就扩大了事件的影响范围。（3）参与主体的随意性与多元性。突发事件引发的行为、观点和看法会受到参与讨论的主体不同教育背景、社会地位、成长环境等因素影响，且这些言论的表达由于网络的虚拟性，会体现出更大的随意性，言论的约束力较小，人们可以畅所欲言，体现了参与主体的多元与随意性。2.3.2生命周期理论生命周期指的是事物经历的从产生，到成长，直至最后消亡的整个过程，舆情的演化符合生命周期理论，因而现阶段出现了很多学者的相关研究结果，并且对于舆情的阶段划分没有定论，不同的研究存在着一定的差异。任凯、吴冬芹[42]等人基于公共危机事件的研究，将舆情演变划分为5个阶段（图2.1），依次为潜伏期、扩散期、爆发期、波动消退期和衰退期；聂峰英、张旸[43]基于移动社交网络，将舆情演变划分为5个阶段，依次为萌芽期、发展期、爆发期、消退期、消失期；晏敬东、杨彩霞等[44]人基于微博客户端，将舆情演变划分为4个阶段，分别为潜伏期、预热期、热议期和衰退期；赵岩、王利明[45]等基于公共危机事件研究，将网络舆情划分为4个阶段，依次为酝酿期、发生期、持续期和消退期；刘国威、成全[46]将重点研究网络舆情事件，并将其演变分为3个阶段，依次为酝酿期、爆发期和衰退期。本研究借鉴现有的研究结论，结合研究案例的自身特点，将将突发事件网络舆情生命周期划分为爆发期、高潮期和消退期期3个阶段。3暴力伤医事件网络舆情情感分析3.1构建情感词典网民发布的内容和评论通常代表了其对某个事情的观点态度和情感，通过内容和评论以情感词进行分类，对用户进行情感倾向分析。情感倾向分析以构建一个全面的情感词表为基础，通过情感词表，可以将样本内容与情感词表中出现的情感词进行匹配，通过计算整个句子的情感值来计算样本内容的情感倾向。现有的开源情感字典里，比较权威和常用的有HowNet（知网）、清华大学、台湾大学、大连理工大学的字典。其中，知网的词典是在2007年发布的，主要包含正面、负面情感词以及程度级别词语。比较发现知网词典由于发布时间久远，随着时代的发展部分词极性划分不准，而且词典数量较少。清华大学、台湾大学、大连理工大学的字典，比较符合现在的网络环境。其中大连理工大学字典，包含词语、词语极性、词性种类、情感分类、词语情感强度等方面，词语总数达27466个，可以较好的适用于常见的评论分析语境。因此本文选取将大连理工大学、清华大学、台湾大学的情感词典合并使用，构建一个基础字典。然后，对爬取到的文本数据进行词频分析，根据词频排序，人工筛选出重要情感词，与基础词典合并去重，得到最终的适合于本次研究的情感字典。3.2情感强度计算对于微博文本情感的计算方式，首先将微博内容划分成单个句子，在句中查找是否含有情感词。当找到情感词后，查看情感词前后是否含有程度副词、否定词，同时要考虑程度副词的程度等级，否定词的个数，通过单个句子的情感极性计算最终得到微博文本的情感极性值。以句子在微博文本中的综合极性权重为指标判断单个句子在文本中的作用。使用python语言，先对某个划分为单个的句子用jieba分词工具进行分词，定义微博文本T，有若干个句子Y组成，其中微博文本T={Y1,Y2,Y3,……,Yn}，计算单个句子YiP(YiP(Y)=P(Yi)其中，Ywi为句子中情感词Wi的情感值。如果P(Y)分值大于0,表示微博文本为积极情感；如果P(Y)分值小于0表示微博文本为消极情感；如果P(Y)分值等于0,表示微博文本为中性情感。查看句中是否有积极词(或消极词)进行计算后，再判断积极词(或消极词)前是否有程度副词，比如"太精彩"，"精彩"是积极词，"太"是副词，如果有程度副词，乘以程度副词的分值。然后考虑句子前面是否含有否定词，比如"不精彩"，"不"是否定词，如果有否定词，乘以-1例如：“今天我不健康，很糟糕。”其中“健康”是积极词(value=1)，“不”是否定词(value=-1)，“糟糕”是消极词(value=-1)，"很"是程度副词(2.5)。最终这句话的情感值是：-1*1+2.5*(-1)=-3.5组成微博文本的若干个句子可大致通过陈述句、反问句、疑问句、感叹句和假设句五种句型表示，句型也对单个句子的情感值造成影响，比如同样的一句话用陈述句和疑问句表达出的情感态度就大相径庭。定义P1(Y感叹句：P1(Yi假设句：P1(Yi)=P疑问句：P1(Yi反问句：P1(Yi通过P1(YiP1(Y)=P如果P1(Y)分值大于0,表示微博文本为积极情感；如果P1(Y)分值小于0表示微博文本为消极情感；如果P3.3数据获取方法和工具3.3.1案例选取互联网具有高度自由和包容性，网民自主地在社交媒体平台上通过文字、视频、音频等多种方式针对事件发表主观言论和情感。在面对暴力伤医时，由于其关乎群众的生命安全，此类事件一旦通过网络发布，经过网民的大量跟帖、转发，极易成为网络热点事件。为了研究公众对于暴力伤医网络舆情的情感特点以及情感演化特征，并提出具有针对性的引导策略，本文选取了引起公众广泛讨论的、具有代表意义的典型暴力伤医进行数据采集。由于新浪微博作为当下发展最快的社交网络平台之一，大量的用户每天在平台上针对某个事件通过文字、图片以及视频等方式发表自己的看法，同时微博的转发功能使得用户情感可以在极短的时间内得到跨群体、病毒式的传播，并形成深刻而广泛的影响力，因此，本文选择新浪微博作为信源平台，对“暴力伤医——陶勇医生被砍”这一暴力伤医进行研究。（1）案例选择:2020年1月20日下午1时55分左右，朝阳医院眼科发生暴力伤医事件，共有三名医护人员被砍伤，另有一位患者受伤，其中一名陶勇医生受伤最为严重，其左手骨折、神经肌肉血管断裂、颅脑外伤、枕骨骨折，失血1500ml，两周后才得以脱离生命危险。事发现场视频可以看到，在朝阳医院内门诊楼内，地上满是血迹。多名保安和民警在现场维持秩序。据现场一名目击者称，当时，在门诊楼7层的眼科诊室内，眼科主任陶勇医生正在接诊，一名患者家属持刀将工作中的陶勇医生砍伤。陶勇医生身中数刀，从诊室跑出，该伤人者从7层追砍陶医生到6层，后被保安制服。同时，眼科还有两名医护人员在拉架过程中被砍伤。现场还有一名母亲带孩子看病被误伤。事发后，医院保安和民警陆续赶到，将伤人者当场控制，并将其送至派出所。据北京朝阳医院的公开资料显示，陶勇是眼科学博士，曾留学德国，毕业于北京大学医学部，是朝阳医院主任医师、教授、博士生导师，现任北京朝阳医院眼科副主任。他擅长：葡萄膜炎、老视（老花眼）、白内障、高度近视及各类眼底病的诊治，发表90多篇SCI，不到四十岁已经是博导，治疗葡萄膜炎很厉害。该事件发生后立刻引起网友大量讨论。截至2021年4月14日为止，相关热门话题#陶勇#有14.5亿阅读量，73.8万讨论量；话题#陶勇医生苏醒#有2.2亿阅读量，4.5万讨论量；话题#陶勇医生受伤后首次发声#有2.4亿阅读量，10万讨论量；话题#同事接替陶勇医生看病#有8.1亿阅读量，6.1万讨论量。相关话题阅读量超百亿，社会影响大，在暴力伤医事件中同时具有代表性和时效性，因此选择“陶勇医生被砍事件”作为案例。近年来，医患关系越来越紧张，医患纠纷问题越来越受到社会各界的广泛关注。暴力伤医事件具有突发性和效仿性，因此频发的小到医闹、大到暴力伤医事件随处可见，比如“2019年12月24日北京民航总医院孙文斌伤医致死”、“2020年1月20日朝阳医院眼科暴力伤医致重伤”等事件。每年伤医事件层出不穷，人民群众对暴力伤医类型的事件的关注度也越来越高。“暴力伤医——陶勇医生被砍”事件作为2020年全网关注度较高的网络热点事件，其具有暴力伤医舆情演化的普遍特征，同时也具有其独特性，为本文的微博舆情特征分析提供了极高的研究价值。“暴力伤医——陶勇医生被砍”事件回顾如下：①1月20日，北京朝阳医院发生一起医生被袭击事件，多名医生被砍伤，其中姓陶医生受伤最为严重，后脑勺胳膊多处被砍伤。据目击证称陶医生当场倒地，已被送抢救，一名母亲带孩子看病被误伤受伤医生姓陶，还在抢救，行凶者被当场控制。②1月21日，三名受伤医护人员及一名受伤群众正在医院接受治疗，暂无生命危险。犯罪嫌疑人已被朝阳公安分局依法刑事拘留。在医生受伤后，他的同事接替来医治剩下的患者。​​​​③1月25日，陶勇医生苏醒，口述一首诗，《心中的梦》。（2）信源选择:随着信息时代的急速发展，微博成为当下发展最快的社交平台之一，其不仅能够满足用户对于信息获取的需求，更能满足人们随时随地通过微博发布自己内心的情绪和观点的需要，因此广受大众的喜爱。根据新浪发布的《2020微博用户发展报告》报告中显示，截止到2020年9月，微博达到月活用户5.11亿,日活用户2.24亿，成为全球最具影响力的社交媒体之一。本文选取的“暴力伤医——陶勇医生被砍”事件最先也是在新浪微博上曝光，随后在各大媒体网站以及微信朋友圈中被广泛传播最终引起全国范围内的热议。各大官方媒体及政务微博对于事件发展的跟进报道也都主要集中在新浪微博平台之上，公众对于事件所发表的观点和情感态度大部分也是基于微博平台之上，因此本文选取新浪微博平台作为数据样本获取的来源。3.3.2网络爬虫随着互联网的飞速发展，海量信息的爆发式增长以及网络数据形式的复杂性与多样性，都对数据获取提出了巨大的挑战，促使传统的信息获取方法急需转型升级，以求能够对海量数据进行更加精确快速的获取。由此，网络爬虫技术便在这一背景之下诞生。网络爬虫(WebCrawler)，又称为网络蜘蛛(WebSpider)或Web信息采集器，其作为现代搜索引擎的关键组成部分，集自动化脚本与多网页计算机程序于一体对URL进行抓取任务。网络爬虫的数据获取步骤大致是先将单一的或多个URL作为目标种子集放入待抓取任务队列之中，然后再从种子URL中开始进行采集网页信息的任务，在抓取过程中同时更新待抓取队列，直到待抓取队列为空或满足初始设定条件时，网络爬虫任务停止[47]。普通的网络爬虫通常由页面研究板块、数据库、采集模块、研究板块、URL队列以及抓取任务六个部分所组成[48]。由于网络信息的复杂性，对于爬虫软件的要求也在逐日提高，根据系统框架与相关技术，基本包括以下几类：深层网络爬虫、聚焦网络爬虫、通用网络爬虫以及增量式网络爬虫。由于每个爬虫系统都存在着一定的缺陷，因此网络爬虫系统一般都是由多个爬虫技术融合而成[49]。目前由于大数据技术的飞跃发展，网络爬虫技术得到了极大的提升，在原有的基础之上又开发了各种网络爬虫软件，如八爪鱼采集器、GooSeeker采集器等。本研究使用的爬虫软件是八爪鱼采集器，其核心技术是分布式计算平台，能够更加快速、规范地对所需网页数据进行自动采集，并且可以对数据格式进行自定义，生成规范的数据。在对数据样本获取来源确定好后，对数据采集的时间区间锁定，然后开始对案例数据进行采集工作，在新浪微博高级搜索界面设定2020年1月20日-2020年1月22日为时间区间，搜索关键词为“朝阳医院+(眼科|被砍|医生|伤医|暴力|被袭)”，对其进行检索。采集字段包括：用户名、用户链接、发布时间、发布方式、转发数、评论数以及点赞数，并将采集到的数据保存至excel文档中备用。3.4数据处理3.4.1数据清洗通过八爪鱼爬虫软件在新浪微博平台上采集到的数据量非常庞大，且具有高度的信息不规范性，许多与事件不相关的信息被掺杂了进来，包括一些广告数据、空白数据、重复数据等，这也增加了对数据的处理难度。因此，还需要人工的对部分信息进行数据清洗工作，主要包括以下步骤：（1）人工的对空白、无效数据进行删除工作；（2）人工的对广告数据、垃圾信息以及各种营销信息进行删除；（3）用Excel自带的“数据去重”功能对重复数据进行删除（4）对部分残缺数据进行补充对样本数据进行清洗整理后最终得到84604条有效数据，并将其作为本文后续研究样本。3.4.2中文分词机器学习算法分词工具包括jieba中文、NLPIR等，针对文本大小的差异性和不同的使用环境这些中文分词的计算结果都不相同。本文对比后采用python里的jieba分词工具包。基于Python的jieba分词技术[50]是针对中文的概率语言模型分词,其本身具有一个名为“dict.txt”的词典,该词典由人民日报等语料数据训练,jieba分词技术涉及前缀树、有向无环图、动态规划、隐马尔可夫以及维特比等[51]多种算法。jieba可以满足我们日常使用，具有许多的优点，第一，它包括三种分词模式：尽力将句子精确分开的精确模式；速度快、扫描句子所有词的全模式；基于精确模式，对句子更细切分的搜索引擎模式。第二，可以对繁体句进行分词。第三，可以导入用户自定义的词典。第四，支持TFIDF、TextRank关键词提取算法。第五，可以对词进行词性标注。第六，可以进行并行分词。3.4.3去除停用词在进行了分词工作以后，要对文本中经常使用到的，但是却没有实际意义的词，也就是所谓的停用词，进行去除处理，在实际操作中，选用了哈工大的停用词表，由于文本都来自于微博，所以在哈工大的开源词表中加入了一些例如“收起文本”、“阅读全文”、“转发微博”、“哈哈哈哈哈哈”、“原博”等无意义词语。对分词完毕并已经去除了停用词的词频进行词条排序，如图所示：3.4.4基于TF-IDF算法的关键词分析词频-逆文件频率（TF-IDF）是一种统计方法[52]，用来评估一个词对一个文件集或一个语料库中的其中一份文件的重要程度。在微博内容文本中如果某个词语出现次数越多，但同时在整个微博内容文本中出现的次数越少，就越能代表该文本的特性。词频（TF）指一个给定的词语在微博内容文本中出现的次数。定义D为微博内容文本合集，其中一条微博文本Wi表示为Wi={w1，w2,……，wj},wi,j为微博内容文本中的一个词条，则该词条的词频（TF）为公式（8）：TFij=ni,j∑kni,j表示微博内容文本中的一个词条wi,j在微博内容文本中出现的次数，∑knk,j表示微博内容文本Wi中所有词条总数。定义D包含微博内容文本Wi，则Wi,j,作为微博内容文本Wi中一个词条，逆文档频率（IDF）可表示为公式（IDFi,j=logM其中，|M|表示微博内容文本D中的文本总数，d表示包含词Wi的文档数,之所以加1是为了避免分母为0。某个特定文档内的高词频率，乘以该词在整个文档中的低词频率，最终得到的就是TF-IDF的值。定义微博内容文本中特征值ti,j表示特征词语在微博中的重要性，ti,j计算如下：ti,j=TF∗IDF当某条微博被多次转发和评论时该微博中的关键词词频也越高，通过计算微博内容文本中关键词权重，利用可视化工具对计算结果进行呈现，得到的关键词可视化分析。3.5暴力伤医事件情感倾向利用TF-IDF算法进行关键词分析得到的关键词可视化分析如图所示，高频词汇的出现往往能在一定程度上反应整个事件的走向及发展变化，而这些高频词通常来源于政府官方微博、某些微博认证的大V用户他们对事件撰写的描述性文本或单纯的新闻文本；低频词汇往往来自于普通民众对于事件的态度和看法。该突发事件包含较多关键词，通过分析观察选取特征关键词为代表进行分析，发现该突发事件的关键词分析具有以下具体特点：少数权重高的关键词代表了该突发事件中的舆情焦点，如：“医生”、“朝阳医院”、“陶勇”、“被砍”、“眼科”、“医院”等，这些关键词体现了网民对整个伤医事件的关注焦点，对于陶勇医生被砍事件，关于事故发生的地点、人物一直是网民的焦点。而数量上占大多数，但重要程度较低的关键词则体现了舆论场中网民观点主张的多样性。“伤医事件”、“卫健委”、“警方通报”、“抢救”、“抓获”、“菜刀”等词体现了网民在事件发生时负面情绪很大，除了对于陶医生伤情的关心，同时也关注着伤人者的情况。“生命危险”、“受伤”、“被砍伤”、“血迹”等词体现了网民关心陶勇医生伤情祈祷平安的积极情感。在微博社交平台中媒体对突发事件的客观报道和网民发表的有关突发事件的看法构成微博内容合集，通过计算关键词权重，分析了解事件发展动态，网民的高频关键词代表突发事件网络舆情的特性。突发事件网络舆情扩展了表达主体和多元化意见，公民意识不断觉醒，每个人都有发声的渠道。由此次事件可以看出，网友不单单关注北京朝阳医院陶勇医生被砍事件本身，通过“协会”、“卫健委”、“安保”等词也可以看出网友积极关注着此次事件后续的一系列措施，是否会对医生的人身安全有更高的保护，是否会维护医生的权益，医患关系是否更加紧张，如何让消除医患间的信任问题都是网友关心的话题。3.6情感分析在2020.1.20-2020.1.21清洗数据之后的相关微博转发区抓取表情，进行用户情绪分析。如图所示，可以根据转发表情看出[泪]、[失望]、[蜡烛]是使用频率最高的表情，这三个表情都代表悲伤情绪，由此可以看出在事发时，网友的情绪首先是以悲伤、难过、心痛为主。而中位区的[微笑]、[怒]表情都代表了愤怒情绪，可以看出网友对医生被伤一事的强烈不满，此时也可以看到很多要求严惩凶手的言论，和高位表情一样，这些都是负面情绪。在整个暴力伤医——陶勇医生被砍事件中，负面情绪都占据主导地位，包含了难过、惋惜和谴责愤怒。在本次事件中也有部分正面情绪，基本来自于对为陶勇医生挡刀的患者家属的正面评论，对于她做法的感激和表扬。通过情感词典计算“暴力伤医——陶勇医生被砍”事件相关的84604条微博文本的情感倾向值，以情感倾向值为基础判断情感极性。当计算后的情感倾向值大于0时认为该微博具有正向情感，情感倾向值小于0时认为该微博具有负向情感，情感倾向值等于0时认为该微博具有中性情感，通过分析从宏观上看，发现在“重庆公交车坠江”事件相关微博中，负向情感微博有69736条占主导地位，正向情感微博10285条，中性微博有4583条，其中负向情感微博占比远远高于正向情感微博。可见“暴力伤医——陶勇医生被砍”事件对社会造成了较大的负向影响，网民对该事件的情感整体为负向，网民情感处于消极态度。4.“暴力伤医——陶勇医生被砍”事件传播过程及演化阶段分析4.1“暴力伤医——陶勇医生被砍”事件传播过程分析从图中可以看出，新浪微博用户对于“暴力伤医——陶勇医生被砍”事件的讨论是从1月20日瞬间爆发的，并在1月20日18点左右达到了整个事件讨论度的峰值，当天涉及该事件的微博超过了30000条。到了1月21日，微博用户关于“暴力伤医——陶勇医生被砍”事件的讨论在持续，并在9点左右迎来了第二次讨论的小高峰，当天涉及该事件的微博将近10000条。1月22日开始，微博发布数量有了下降趋势，讨论逐渐趋于平缓，与1月21日相比，22日与事件相关的微博减少很多，数量不足2000条。随着事件发展进入了收尾阶段以及其他热点事件（2020年除夕是1月24日）的出现，微博用户对于“暴力伤医——陶勇医生被砍”事件的关注逐渐下降，最终舆情走入了消亡期。本文通过对所收集到的微博数据进行可视化分析后，挖掘出了在“暴力伤医——陶勇医生被砍”中起到重要作用的关键用户。新浪新闻于1月20日14点在微博上公布了北京朝阳医院突发一起医生被袭事件之后之后，迅速引起了微博用户关于“医暴”话题的大范围热烈讨论。该条微博现已获得转发数45000余次，评论数10000多条，点赞数超81万次。新浪新闻是官方认证媒体，本身就拥有着高达5800多万的微博粉丝基数，作为蓝V用户可信度也足够高，因此原微博一经发出，便获得了广泛的评论数以及较多的转发层级，所覆盖的微博用户人数也较广。除此之外，一些认证媒体以及有影响力的大V用户（如大V用户M大王叫我来巡山、谷大白话、休闲璐、野比大雄等）的加入，也在此次事件的传播过程中起到了重要的协助扩散作用。随着事件被进一步报道，越来越多的官方媒体、大V和有影响力的自媒体等参与了转发和评论，粉丝也对他们的微博进行二次甚至多次转发，从而使得事件覆盖的范围越来越广，越来越多的微博用户开始关注到该事件并参与讨论。新浪微博上48小时内关于该事件的话题多达30多个。其中#陶勇#为最热门的话题，一共有73.8万讨论，阅读量高达14.5亿。对“暴力伤医——陶勇医生被砍”事件的传播过程大致可以总结如下：事件一开始是由新浪新闻作为认证媒体官方通报，随后经过官方媒体、大V、有影响力的自媒体等用户进行了报道、转发和评论，迅速引发全网的高度关注以及广泛讨论。随着相关部门的介入，公众继续保持对事件发展的关注，相关认证媒体则选择继续对事件进行跟进报道。舆论的热度促使2020年两会全国人大代表甘华田提交了一份《建议尽快出台维护医院安全秩序的管理条例》的代表建议：建议警察承担医院安保工作。如图，根据新浪微热点提供的数据，我们可以大致看出微博用户对于此次事件的主要观点。27.66%的微博用户观点集中于1月20日三联生活周刊发布的“成为陶勇有多难”，细数了陶勇的学历、专长，说明了是我国眼科领域不可多得的人才。15.87%的微博用户观点集中于#警方通报朝阳医院伤医事件#，在了解事发情况后微博网友更加关心将如何处罚凶手。通过对“暴力伤医——陶勇医生被砍”事件传播过程进行归纳总结，本文认为突发性医暴事件的传播过程有以下三个关键部分：①事件发布主体。微博平台作为一个公众平台，具有便捷性、传播性和原创性等特点，对于事件的发布来源则是多渠道的，可以是事件当事人、事件目击者、大众媒体或官方媒体等，不同的发布者有着不同的传播效果。譬如，一开始有少数在现场的微博网友也发布了消息和现场视频，但是因为微博粉丝数不够多、不是认证媒体用户可信度不够、阅读量少等原因，并未获得大量传播转发。直到微博用户“新浪新闻”作为蓝V用户发布了时间信息，立刻获得了认证博主及粉丝的转发关注；随后经过各官方媒体的报道和有影响力的大V用户的转发扩散，“暴力伤医——陶勇医生被砍”事件开始引发了全网的关注。②意见领袖。意见领袖在舆情传播过程中的影响力不容小觑。根据情绪感染理论，人们常常会在生活中通过模仿他人的表情、语言、动作来实现和他人情绪的一致性。因此，作为在互联网上有较大影响力的意见领袖所表达出对事物的观点和情绪，会在一定程度上对他人的观点和情绪产生影响，并且对于事件发展的后续也会起到重要的作用。③相关部门回应。舆论是社会的反应，在热点舆情事件发生之后，相关部门的回应速度是否及时积极，在事件处理过程中是否公开透明，在事件后续发展中是否跟进，都将直接影响舆情是否往积极方向进行演化。4.2“暴力伤医——陶勇医生被砍”用户情绪特征分析在微博、微信、论坛等社交软件中，用户主要是通过文字来进行相互之间的交流。虽然在声音、视觉等方面与面对面交流相比存在着一定的缺陷，但是经研究发现，这些缺陷不但不会成为用户情绪表达的绊脚石，反而还可以反映出用户更多的情绪信息[53]。在现实社会中，人和人之间的交流多表现为口头语言交流方式，人们会受到人际关系、法律道德等方面的约束。相反，在网络交流中，由于网络的匿名性，人们缺乏现实生活中的社会舆论监督，从而使得用户在进行线上的情绪表达时，能够表现出较少的顾虑，做到将自己的真实情绪进行如实或者更为夸张的表达。因此，我们有必要对微博用户的情绪特征进行分析。4.2.1基于性别的用户情感特征分析针对不同的网络热点事件，男女受众对于事件的关注程度往往是不相同的。文本对“暴力伤医——陶勇医生被砍”事件中男女网民进行分类，具体数据如图所示。从图中我们发现，对于“暴力伤医——陶勇医生被砍”事件女性用户投入的关注度远远大于男性用户。从事件本身角度解释女性本身对暴力事件的敏感度和共情能力就要优于男性，在社会中相较于男性更加容易面对暴力问题，且事件中也有女性受害者，因此在该事件中，女性用户投入了更多的精力关注该事件的发展；从心理学的角度解释因为女性相比于男性，更加情绪化，更容易表现出强烈甚至于极端的情感态度，而男性更加理性，更多情况下对于事件的态度是以一个旁观者的角度来表达自身看法。与此同时，男女受众之间看问题的角度也会对情感的变化产生一定的影响，对于男性而言，他们往往对具体的事物感兴趣，并站在中立客观的角度对事件进行评价；而对于女性用户而言，她们更具有同情心，更多的是关注事件当事人，并比较主观情绪化的表达自身的正面或者负面情感。因此，在面对不同的热点事件时，针对男女用户之间的心理差异，相关部门需要采取不同的措施进行引导。4.2.2基于性别的地域情感特征分析对于不同的网络热点事件不同地域的用户对其投入的关注度以及情感态度也是完全不同的，文本对参与“暴力伤医——陶勇医生被砍”事件的用户进行地域统计，如图所示。从图中我们发现，对“暴力伤医——陶勇医生被砍”事件关注度最高的是广东省，其次还有北京、江苏、浙江和山东省等地。据新浪微博数据中心发布的2020微博用户发展报告中显示，广东省和江苏省的新浪微博用户数量最多。广东和江苏省由于本身新浪微博用户基数高，对于事件的关注度也随之较高；朝阳医院坐落于北京，作为事发地所在城市，又是首都城市发生这样的恶性事件，使得北京地区的用户对该事件也保持着相当高的关注度，同时对于该微博下内容进行分析发现，评论用户大都对事件持有消极的情绪，对于事件的发生一致表示愤怒和谴责在对待不同网络热点事件发生时，我们不难发现，各地区对于事件关注度以及当地公众对于事件的情感态度与事件发生地、事件涉及人员或组织所在地等因素密切相关，因此相关部门在对处理不同事件是可根据事件所涉及的地区进行更大程度的公众情绪与舆情引导效果会更好。5医暴事件网络舆情引导策略“暴力伤医——陶勇医生被砍”作为众多突发医暴事件一个缩影，其情感能量域可反映该类医暴事件的总体情感认知与情感能量特征。该情感空间中的其他认知维度表明，医暴事件在自我层面上会引发民众对于医护职业的选择忧虑，在社会层面上引发对制度政策的质疑，长此以往，甚至会导致政府公信力的缺失这样一系列社会发展问题。这些衍生问题最终将阻碍社会的有序发展，也是医暴舆情必须加以监控与引导的重要原因。5.1相关部门处理过程中存在的问题政府和相关部门是为百姓服务的机构组织，主要任务就是为公众提供更好的服务，保障社会的和谐发展。其中，部门公信力的重要性不言而喻。所谓的公信力指的是部门在开展工作中，所产生的让公众信任的能力。它体现在公众是否认可相关部门，是否和公众之间建立了信赖关系、相关部门是否履行了应尽的职责以及是否能够保证政治和经济的平稳发展等方面[54]。在“暴力伤医——陶勇医生被砍”事件刚刚发生，并且相关部门还未介入事件调查的时候，微博平台就已经有不少微博用户发布了类似“暴力伤医事件层出不穷，每次都重重拿起，轻轻放下，打了医生不用关几天还能得到更好的医疗资源，以后有事都去打医生了。”、“这都是第几次了？不出台有效措施，光抓人有用吗？”、“太搞笑了，所以以后去医院是不是都要搜身安检了啊？？”等评论。从微博用户的评论中可以看出，在此次事件的发展过程中，大多数微博用户对于相关部门抱有着不信任的态度，认为法律法规对医闹的处罚太过轻，只会得到不尽如人意的处理结果。由此可见，相关部门存在着公信力较低的问题。不难解释在事件的后续发展中，多数微博用户对于相关部门处理过程以及处理结果的评论情绪普遍偏向负面的原因。公信力对于相关部门开展工作的重要性不言而喻，拥有足够的公信力，才能使得政府部门获得公众足够的信赖和认可，从而推动落实各项政策、维持市场的正常运转、建设和谐社会。一旦公众对于政府部门的行为产生了不满意和不信赖的情绪，积攒到一定程度后，这样的情绪聚集则极有可能会造成危害社会稳定的行为发生。在本次事件中，事件的后续是伤人凶手被判死缓，网友对这个处理后果就表现得十分满意，情绪大多是积极态度。不但挽回了相关部门的公信力，还让网友对相关部门更加信任和满意。5.2基于情绪演化阶段特征的微博用户情绪引导对策本文将“暴力伤医——陶勇医生被砍”事件的网络舆情演变过程按照情绪热度的不同演化特征，划分成了四个阶段，分别为：情绪萌芽、爆发、反复和消退四个阶段。其中，最容易对微博用户进行情绪引导的阶段是萌芽阶段，如果相关部门能够在事件处于萌芽阶段初始时期及时应对，则可以有效地引导微博用户的情绪往积极的方向发展。但是由于该阶段微博用户的情绪有一定的隐秘性和潜伏性，因此如何及时地捕捉和挖掘到微博用户的情绪并且对此进行引导是这一阶段存在的困难。通常来说，爆发阶段中微博用户的情绪热度普遍较高、影响的范围较广、持续的时间较长、公众对于事件的关注度也普遍较高。因此，在爆发阶段中，相关部门应该及时了解核实事件的具体信息，并公开透明地向公众汇报。除此之外，相关部门应及时地对所产生的谣言进行核查和澄清，尽量缩短爆发阶段的持续时间，减少微博用户的情绪波动幅度和次数。和其他案例有所不同、也是本文所选取案例的特殊之处是：本文案例中反复阶段的微博用户情绪热度是四个阶段中情绪热度最高的阶段。这也说明在爆发阶段结束之后，对于事件的舆情监督工作仍然不能掉以轻心，相关部门应该继续保持对事件发展进程的跟进，随时警惕在事件发展过程中出现突发情况而引发的衍生舆情。从本文选选取的案例可以看出，衍生舆情所导致的负面情绪聚集的影响不容小觑，因此反复阶段最重要的任务是关注衍生舆情，防止微博用户情绪的再次大幅度波动。当事件发展至最后的消退阶段，此时微博用户的情绪已经基本得到了有效控制，随着事件的发展以及新的互联网热点事件的出现，微博用户的注意力得到了转移，与此次事件有关的情绪热度波动次数减少，波动幅度趋于平缓，此时的舆情渐渐走向消逝。本阶段相关部门应该对此次事件的处理过程进行及时的反思，同时及时地总结经验汲取教训，深挖事件背后隐藏的社会矛盾，尽量避免下一次出现类似情况。基于此，本文将以互联网热点事件舆情发展的四个不同阶段作为主线，结合四个阶段中微博用户的情绪特征，对相关部门今后在面对类似的互联网热点事件所应采取的引导措施提出建议。6.总结与展望6.1研究结论本文对暴力伤医网络舆情的情感特征进行研究，并结合焦点事件作为案例进行深入分析，从网络舆情的传播过程、情感演化特征以及用户特征多维度的分析，最终得到暴力伤医安全事件网络舆情的情感特征，研究内容主要包括下列三个方面：（1）将网络舆情、情感分析和情感传播的国内外研究成果进行梳理，并将三者特点结合分析。（2）选取合适的焦点事件，且该事件具有足够的典型性。医生作为救死扶伤的代表却频发被伤事件，尤其是“陶勇医生被砍”事件的发生，再一次让公众开始重新审视医患关系的问题以及医生权益保障的问题，医生作为社会服务群体，公众更是对其赋予了极高的关注度。因此选择“陶勇医生被砍”事件具有充分说服力用于研究暴力伤医的情感特征。（3）对选取案例所采集到的数据进行深入分析处理，并辅以情感演化阶段分析、高频词汇分析、网络舆情传播过程分析、用户性别及地域分析等方法对网络舆情的情感演化特征、用户特征以及网络舆情的传播过程进行多维度的综合分析，最终得到暴力伤医网络舆情的情感特征。经过上述分析过程后，得到以下结论：（1）暴力伤医发布平台和主体、意见领袖以及官方和涉事组织回应速度是网络舆情传播过程中起关键作用的3个重要因素，因此对于网络舆情的引导需要从这三个方面重点进行。（2）暴力伤医网络舆情的情感演化可以分为四个阶段，分别是：萌芽期、爆发期、消退期和反思期，因此对于事件的引导工作也需要基于上述四个阶段进行，不同阶段所采取的措施各不相同。（3）针对网民性别、地域的不同，引导过程要因地制宜，根据具体事件类型以及具体情况采取多种引导方式多管齐下，不能千篇一律。据上述结论，提出以下相应引导对策：第一，针对曝光主体及平台方面，政府部门需要通过大数据技术手段对互联网等事件曝光平台进行实时监控，以便能够及时有效的掌握暴力伤医网络舆情的最新情况并对公众的情感进行时刻关注，避免极端情绪占据主导地位。同时对于意见领袖，政府部门需要更加重视互联网意见领袖的作用，加强对这部门人员的管理，在事件发生后需要意见领袖配合政务微博合力将事件的真相在第一时间告知网民，稳定住网民的情绪，鼓励意见领袖多传播正能量，共同引领事件朝着积极正面的方向发展。而对于涉事组织，需要加强行业监管，提高行业准入门槛，尽早完全互联网行业法律法规，明确涉事组织责任。第二，深入了解暴力伤医网络舆情的情感演化各阶段特征，根据不同阶段采取相对应的措施，比如在情感演化萌芽期，政府部门及涉事组织需要时刻保持高度警惕状态，及早对事件的发生有所警觉；而对于情感演化的爆发期，涉事组织需要在第一时间站出来主动承认错误，并配合政府相关部门调查事件，安抚受害者家属，稳定公众情绪；在情感演化的消退期，涉事组织必须给公众一个满意的答复，丝毫不能有所懈怠；对于情感演化的反思期，涉事组织和政府部门需要从事件中汲取经验，防止相同事件的再次发生。第三，针对不同的网民，需要采取的引导措施要因人而异，根据具体事件类型以及具体情况采取多种引导方式多管齐下，不能千篇一律。比如在面对女性网民时，需要更加耐心且客观的进行引导，而对于男性网民，则需要引导他们站在中立的角度看待问题。同时面对不同地域的网民，所采取的引导力度也大有不同，对于案发地或者涉事组织所在地以及受害者所在地的网民，需要加大力度对其进行引导工作，而对于偏远地区的网民，则可以稍微放缓引导力度。6.2研究局限与展望由于作者水平有限，研究在一定程度上存在一些不足之处。首先是对于案例只选择了一个作为研究对象，虽然该案例具有焦点事件的一切典型特征，但是仍然无法以偏概全。其次，研究虽然从网络舆情的传播过程、网络舆情的情感演化特征、用户特征三个维度对暴力伤医的情感特征进行分析，但是仍然存在没有研究的部分，且对于数据的分析还不够深入，只是看到了事件的表层，还需对深度进行扩展。未来的研究方向将从以下几个方面进行展开：（1）选取多个事件进行横向综合对比分析，从而得出事件相互之间的异同以及规律性。（2）尝试在技术和使用工具上进行创新和加强，以求能够挖掘到数据更深层次的意义。参考文献[1]中国互联网研究中心.[EB/OL].[2]王来华.论舆情研究的两个需要[J].天津社会科学,2010(04):70-74.[3]ElisabethNoelle-NeumannE.TheSpiralofSilence:PublicOpinion-OurSocial[M].Chicago:UniversityChicagoPress,secondedition,1993:50-56.[4]BrauchlerB.PublicSphereandIdentity[M],Chicago:University,2004(1):23-26.[5]Chong·D.ClementeM,RouletTJ.PublicOpinionAsaSourceofDeinstitutionalization:A“SpiralofSilence”Approach[J].SocialScienceElectronicPublishing,2005,40(1):96-114.[6]SudhaVerma，.NaturalLanguageProcessingtoTheRescueExtracting“SituationAwareness”TweetsDuringMassEmergency[A].In：ProceedingsofTheFifthInternationalAAAIConferenceonWeblogandSocialMedia[C].ICWSM-11，2011，California，Press，2011：297-304.[7]StevenFink.CrisisManagement：PlanningfortheInevitable[M].NewYork：AmericanManagementAssociation,1986：15-85.[8]BurkholderBT,TooleMJ.Evolutionofcomplexdisasters.[J].Lancet(London,England),1995,346(8981).[9]RobertH.Emergencymanagement[M].Beijing;ChinaCitricpress.2004:22.[10]FinkS.Crisismanagement.planningfortheinevitable[M].NewYork:AmericanManagementAssociation.1986.[11]BoP,LeeL,VaithyanathanS.Thumbsup:sentimentclassificationusingmachinelearningtechniques[C]//Acl-02ConferenceonEmpiricalMethodsinNaturalLanguageProcessing.AssociationforComputationalLinguistics,2002:79-86.[12]BracewellDB.Semi-automaticcreationofanemotiondictionaryusingwordnetanditsevaluation[C].2008IEEEConferenceonCyberneticsandIntelligentSystems,2008:1385-1389.[